Previsão de demanda com machine learning: o modelo certo para cada item, escolhido pelo erro
Não existe um método de previsão de demanda que funcione para todo o catálogo. Por isso rodamos um torneio de modelos estatísticos e de machine learning por item, medimos o erro de cada um em dados que ele não viu e ficamos com o vencedor. A cada ciclo, automaticamente.
- Modelos estatísticos e de ML competindo por item
- Vencedor pelo erro medido, não por opinião
- Demanda intermitente tratada à parte
- Uma rodada por ciclo, comparável mês a mês
Métodos de previsão de demanda: qual serve para quê
Os métodos de previsão de demanda se agrupam em três famílias, e um catálogo real precisa das três:
| Família | Exemplos | Onde funciona | Onde falha |
|---|---|---|---|
| Séries temporais clássicas | Média móvel, suavização exponencial (Holt, Holt-Winters), ARIMA | Demanda regular com tendência e sazonalidade claras | Muitos zeros, mudanças bruscas, lançamentos |
| Demanda intermitente | Croston, SBA, TSB | Peças de reposição, baixo giro, itens com meses em zero | Demanda contínua (suavizam demais) |
| Machine learning | Gradient boosting, florestas aleatórias, modelos globais | Catálogos grandes com variáveis externas (preço, promoção, clima), padrões compartilhados entre itens | Séries curtas, poucos itens, sem validação cuidadosa |
Por isso a abordagem não é "escolher o melhor método", mas deixá-los competir por item e medir. Num catálogo típico de distribuição, os modelos clássicos vencem na maioria das séries suaves, as intermitentes precisam de Croston ou SBA, e o machine learning agrega nas séries com variáveis externas ou padrões compartilhados.
Como fazemos
Dados e limpeza
Histórico de vendas por item e cliente, corrigido por rupturas (demanda não atendida não é demanda zero), com os meses anômalos marcados e as substituições emendadas.
Classificação
Cada série é classificada por padrão (suave, errática, intermitente, irregular) e maturidade (lançamento, madura, em declínio). A classe decide quais modelos competem.
Nível de agregação
Testamos em que nível convém prever (item, família, cliente, região) e como desdobrar. Muitas vezes a melhor previsão por item vem de prever a família e ratear.
Torneio de modelos
Até 23 modelos por série, validados em meses que o modelo não viu. As métricas de erro de cada modelo e cada série ficam salvas, e vence o de menor erro para aquela série em particular.
Entrega e ciclo
A previsão calculada é entregue separada da ajustada, com rastreabilidade. Cada ciclo fica congelado para comparar com o real e medir acurácia e viés.
Três formas de contratar
Dentro do Excel
Com o ForecastSolve: o motor roda no computador do planejador, sem nuvem. Para um planejador e catálogos de centenas a alguns milhares de itens.
Para a equipe
Com o DemandSolve: o mesmo motor numa solução multiusuário para a equipe, com regras de negócio, aprovações e integração opcional ao ERP.
Como serviço
Você nos envia a extração a cada ciclo e devolvemos a previsão por item com suas métricas, no formato que o seu ERP ou o seu Excel consomem. Útil para começar sem instalar nada.
Como você saberá que funciona
Antes de confiar na previsão, testamos sobre o seu próprio passado: simulamos o que teríamos previsto há seis ou doze meses e comparamos com o que você vendeu. Assim você vê o erro real, por item e por família, e compara com o do seu método atual e com um método ingênuo (a média dos últimos meses).
Se não vencermos o seu método atual no seu catálogo, dizemos.
Perguntas frequentes
O machine learning sempre prevê melhor?
Não. Em séries curtas ou com pouca informação, os modelos clássicos costumam vencer e são mais estáveis. O machine learning agrega quando há variáveis externas (preço, promoções, clima) ou muitos itens com padrões compartilhados. Por isso competem por item e quem decide é o erro medido, não a moda.
Quanto histórico preciso?
Idealmente 24 meses ou mais para capturar sazonalidade; funciona com menos, com modelos mais simples. Os itens novos são previstos com perfis de itens semelhantes até terem histórico próprio.
E os itens que quase não vendem?
São classificados como intermitentes e usam métodos desenhados para eles (Croston, SBA, TSB), que preveem a taxa de demanda em vez da venda do mês seguinte.
Posso ajustar a previsão à mão?
Sim, e deve fazê-lo quando sabe algo que os dados não sabem. A previsão calculada e a ajustada ficam salvas separadamente, para que no fechamento do ciclo se meça se o ajuste melhorou ou piorou o resultado.
Integra com o meu ERP?
Como serviço ou com o DemandSolve, sim: lemos a extração e devolvemos a previsão no formato que o seu ERP consome. Com o ForecastSolve a carga é por CSV ou a partir da planilha.
Quer ver quanto erro teria no seu catálogo?
Envie uma extração de vendas e devolvemos um teste sobre os seus meses passados, com o erro por família comparado ao seu método atual.
Testar com os meus dados →